olmOCR 是一個(gè)開(kāi)源工具，旨在將 PDF 和其他基于圖像的文檔格式轉(zhuǎn)換為干凈、可讀的純文本格式。它支持將 PDF、PNG 和 JPEG 格式的文檔轉(zhuǎn)換為 Markdown 格式，并支持方程式、表格、手寫(xiě)內(nèi)容和復(fù)雜格式的處理。該工具還具備自動(dòng)去除頁(yè)眉和頁(yè)腳、保持文本自然閱讀順序等功能，即使在存在圖表、多列布局和嵌入內(nèi)容的情況下也能有效處理。

• olmOCR開(kāi)源項(xiàng)目地址：https://github.com/allenai/olmocr
• olmOCR官網(wǎng)入口網(wǎng)址：https://olmocr.allenai.org/

olmOCR 基于 7B 參數(shù)的視覺(jué)語(yǔ)言模型（VLM），需要 GPU 支持，且每百萬(wàn)頁(yè)的轉(zhuǎn)換成本低于 200 美元。該工具由 Allen Institute for Artificial Intelligence（AI2）開(kāi)發(fā)和維護(hù)，旨在通過(guò)高影響力的人工智能研究和工程推動(dòng)人類進(jìn)步。

用戶可以通過(guò)在線演示（https://olmocr.allenai.org/ ）嘗試使用該工具。此外，olmOCR 提供了詳細(xì)的安裝指南、命令行工具和 API 支持，適用于本地運(yùn)行和大規(guī)模處理。該工具還提供了詳細(xì)的性能基準(zhǔn)測(cè)試和模型評(píng)估，以確保其在 OCR 領(lǐng)域的領(lǐng)先地位。

olmOCR 是一個(gè)功能強(qiáng)大且靈活的工具，適用于需要將圖像和 PDF 文檔轉(zhuǎn)換為可讀文本的用戶和研究人員。